Agent 框架选型：Mastra、LangChain / LangGraph 与 OpenAI Agents SDK

# Agent 框架选型：Mastra、LangChain / LangGraph 与 OpenAI Agents SDK

本篇目标

先判断是否需要框架，再从语言、编排、生态、可观测性和迁移成本比较主流方案，避免只会背框架 API。

识别框架价值比较三类方案控制厂商绑定准备选型回答

# 先记住一句话

框架帮你实现循环、状态、工具、记忆和观测，但不会替你定义业务目标、安全边界和评测标准；选型应围绕团队语言和已确认需求，而不是功能列表最长。

# 什么时候先不用框架

只有一两次工具调用、状态简单、没有持久化和人工介入时，直接使用模型 SDK 加少量业务代码更透明。出现循环、分支、持久化恢复（Checkpoint）、人工介入（Human-in-the-loop，HITL）、多模型适配和统一运行追踪（Trace）后，框架的抽象价值才明显。

# 三种框架与自建方案怎样定位

方案	主要定位	Agent 编排能力	更适合	注意点
Mastra	TypeScript-first；Agent、Tool、Workflow、Memory、RAG、MCP 和 Eval 一体化	Workflow 支持顺序、并行、分支和循环；每个步骤可以调用 Agent 或 Tool，并支持暂停与恢复	TS/Node 全栈团队快速端到端交付	生态较新，版本升级前核对 API
LangChain + LangGraph + LangSmith	LangChain 提供应用抽象，LangGraph 负责状态图，LangSmith 负责追踪评测	支持主 Agent 调用子 Agent、Handoff、Router 和自定义图；可显式控制串行、并行、分支与循环	Python AI 团队、复杂图编排和成熟生态	层次较多，要理解三者边界
OpenAI Agents SDK	与 OpenAI 模型、工具、Handoff 和 Tracing 紧密结合，抽象相对精简	支持 Manager 把 Agent 当作 Tool 调用，也支持 Handoff 把控制权移交给另一个 Agent；还可以用代码组织串行、并行和循环	主要使用 OpenAI 平台、希望快速实现工具型 Agent	若依赖多个 Provider 和高度自定义的运行时，要评估耦合
自建薄层	团队自己编写小型运行封装，行为透明、依赖少	用代码自行实现 Router、状态机、队列和 Agent 调用关系，编排方式最自由	简单流程或强定制运行时	状态、恢复、评测和观测都需要自己建设

什么是 Agent 编排能力

Agent 编排能力就是组织多个 Agent 怎样协作：谁先执行、谁可以并行、结果交给谁汇总、什么时候移交控制权，以及失败后从哪里继续。编排既可以由模型动态决定，也可以由代码或执行图明确控制。

# LangChain、LangGraph、LangSmith 不要混淆

LangChain：模型、消息、工具、Agent 和检索等应用抽象；当前 create_agent 建在 LangGraph runtime 上；
LangGraph：显式状态图、节点、边、持久化检查点（Checkpoint）、暂停点（Interrupt）和可恢复执行；
LangSmith：Trace、调试、数据集、离线/在线评测和部署相关能力。

# 选型问题清单

团队主语言是 TypeScript 还是 Python；
任务只是工具循环，还是需要图、并行、暂停和恢复；
是否必须支持多个模型 Provider；
RAG、Memory、MCP、Eval 是否要一体化；
自托管、合规和数据驻留要求；
框架升级、可测试性、可观测性和退出成本；
团队是否真正理解框架隐藏的状态与重试行为。

# 降低绑定的方法

业务层定义自己的 TaskState、Tool 输入输出 Schema、错误分类和评测集；框架只负责运行适配。不要让页面、数据库和领域规则到处直接依赖框架对象。这样切换模型或编排库时，改动集中在适配层。

# 本知识库为什么同时学 Mastra 和 LangChain

你的全栈背景更适合先用 Mastra 理解 TypeScript Agent 工程；LangChain/LangGraph 则覆盖 Python AI 岗位更常见的生态和复杂持久编排。后续两篇会先讲清框架的核心抽象、运行时和状态边界，再用同一个 “笔记与面试助手” 验证这些知识。

# 高频面试题与回答

回答顺序：先说结论，再解释原因，最后补一个例子或工程边界。不要逐字背诵，记住这条表达主线即可。

1. 2 分钟回答：你怎样选择 Agent 框架参考答案

我先判断是否真的需要框架：只有一两次 Tool Calling 时，原生 SDK 往往更直接；需要状态循环、持久恢复、人工审批和统一追踪时，框架才开始有价值。TypeScript 团队我会评估 Mastra，因为它把 Agent、Workflow、Memory、RAG 和 MCP 放在同一套工具里；Python 或复杂状态图场景会评估 LangChain 加 LangGraph，LangSmith 可用于追踪和评测；如果主要使用 OpenAI 平台并希望抽象较轻，也会考虑 OpenAI Agents SDK。最后用一个真实的小型端到端功能比较完成率、开发和调试体验、延迟、费用以及以后迁出的成本，而不是只看 Demo 少写了几行代码。

2. 框架能解决 Agent 幻觉和安全问题吗？参考答案

不能自动解决。框架可以提供 Guardrail、审批和评测接口，帮助开发者实现防线，但它不知道你的用户权限、业务规则和真实完成条件。最终的数据边界、服务端授权、业务验收和攻击评测仍要由应用自己设计。

3. 为什么不只学 LangChain？参考答案

因为框架 API 会变化，真正可迁移的是对 Agent Loop、状态、工具、安全和评测的理解。先掌握这些通用原理，再分别用 TypeScript 的 Mastra 和 Python 的 LangChain、LangGraph 落地，就能分清哪些是框架提供的便利，哪些是任何生产系统都要自己承担的责任。

4. 如何做框架概念验证（POC）？参考答案

POC 是用一个小而完整的功能验证方案是否可行。我不会只写 Hello World，而会选择一条包含工具调用、持久状态、人工审批、评测和 Trace 的业务链路，让候选框架跑同一组任务，再比较代码复杂度、行为是否可控、延迟、费用、部署方式和出错后是否容易定位。

# 接下来学什么

下一篇学习 Mastra 核心原理，重点建立框架运行时的完整心智模型，再把 Agent、Tool、Workflow、Memory、Eval 和 Observability 映射到 TypeScript 项目。

# 参考资料

Agent 前端交互 Mastra 核心原理

首页

Choose mode